La mayoría de las variantes del ADN asociadas a enfermedades no alteran directamente una proteína. Muchas se encuentran en regiones reguladoras y cambian cuándo, dónde o con qué intensidad se activa un gen. El problema es que ese efecto puede aparecer solo en un tipo celular concreto: una célula inmunitaria activada, una neurona o una célula muscular del corazón pueden interpretar de manera distinta la misma secuencia. AlphaGenome 2, presentado por Google DeepMind el 11 de noviembre de 2026, intenta reducir esa zona de incertidumbre con predicciones específicas para tipos y estados celulares.
El avance es relevante porque conecta dos campos que hasta ahora se analizaban con herramientas separadas: la genética humana y los atlas de célula única. Sin embargo, conviene evitar una lectura exagerada. El sistema no diagnostica enfermedades, no sustituye un experimento y no convierte una asociación estadística en una causa demostrada. Es una herramienta de investigación para priorizar hipótesis. En este artículo explicamos qué hace, qué métricas comunica el equipo, qué limita esas cifras y cómo podría cambiar el trabajo científico.
Qué es AlphaGenome 2 y por qué importa la célula concreta
Todas las células de una persona comparten prácticamente el mismo genoma, pero no utilizan las mismas instrucciones. Una célula B del sistema inmunitario activa programas distintos a los de una célula beta del páncreas. Incluso una misma clase celular puede comportarse de otro modo durante una infección, después de una vacuna o en un tejido enfermo. Por eso, un promedio de tejido puede ocultar señales que solo existen en una población pequeña.
La primera versión de AlphaGenome analizaba secuencias de hasta un millón de letras y predecía distintas señales moleculares para numerosos tejidos. Según el anuncio técnico de Google DeepMind, la segunda versión cambia el enfoque: recibe la secuencia de ADN y una condición biológica —tejido, tipo celular o estado— y calcula los efectos para esa condición. En lugar de repartir la capacidad del modelo entre todas las salidas a la vez, concentra el análisis en una pregunta celular definida.
La diferencia no es meramente terminológica. Si una variante modifica un interruptor regulador solo en macrófagos intestinales, el promedio de todo el tejido puede diluir el efecto. Un modelo condicionado por células tiene más posibilidades de señalar dónde buscar. Eso permite ordenar mejor los candidatos antes de invertir meses en cultivos celulares, edición genética u otros ensayos.
Cómo se entrenó: más de 107 millones de perfiles celulares
El equipo informa de que utilizó datos humanos y de ratón, tanto de muestras agregadas como de célula única, con más de 107 millones de perfiles individuales procedentes de 68 tejidos. El objetivo fue aprender no solo qué genes están activos, sino también cómo se relacionan la expresión génica, la accesibilidad de la cromatina, las modificaciones de histonas, el empalme del ARN y otras capas de regulación.
AlphaGenome 2 incorpora además predicciones de metilación del ADN, una señal química asociada a la regulación genética. También puede hacer lo que el equipo denomina imputación entre modalidades: a partir de una medición disponible, como la actividad génica de un conjunto de células, intenta estimar otras propiedades que no se midieron en ese experimento. Esta capacidad puede ayudar a decidir qué prueba adicional merece la pena realizar, pero la estimación no equivale a una medición real.
El diseño condicional permite aportar al sistema datos de un nuevo experimento de ARN de célula única y representar un estado celular que no aparecía explícitamente durante el entrenamiento. La propuesta es adaptar la predicción sin entrenar de nuevo el modelo completo. En la práctica, esto abre la puerta a estudiar estados transitorios relacionados con vacunas, tratamientos, desarrollo o enfermedad.
Las cifras principales: 30 % frente a 16 % y 43 % frente a 23 %
En el conjunto TenK10K, que reúne un mapa de 28 tipos primarios de células inmunitarias, DeepMind comunica que AlphaGenome 2 identificó el 30 % de las variantes causales vinculadas a cambios de expresión, frente al 16 % de la versión anterior ajustada con datos de célula única y otras herramientas especializadas. Para la dirección del efecto sobre el gen, las cifras fueron del 43 % frente al 23 %.
“Casi el doble” es una forma correcta de resumir la comparación, pero no significa que el modelo resuelva el problema. También implica que una gran parte de las variantes relevantes queda fuera de la recuperación indicada. La métrica depende del conjunto de evaluación, de cómo se define un acierto y de la calidad de la referencia experimental. Por eso, estos porcentajes sirven para comparar sistemas dentro del estudio, no para prometer precisión clínica en una persona.
El artículo de Nature publicado el 11 de noviembre aporta una valoración externa y describe la reacción de investigadores en genética. Uno de los ejemplos más llamativos se relaciona con una variante reguladora asociada a enfermedad inflamatoria intestinal. El sistema reprodujo computacionalmente aspectos de un resultado experimental previo y señaló su acción selectiva en macrófagos intestinales. Es una validación retrospectiva interesante, no el descubrimiento clínico de un caso nuevo.
Del promedio de un tejido a los estados celulares
Un tejido es una mezcla. La sangre, el intestino o el cerebro contienen poblaciones celulares con funciones y abundancias distintas. Cuando una señal se promedia, una alteración fuerte en pocas células puede parecer pequeña. La secuenciación de célula única permite separar esas poblaciones, pero produce conjuntos de datos complejos, ruidosos y caros de generar.
AlphaGenome 2 pretende utilizar esos mapas como un sistema predictivo. En un ejemplo comunicado por DeepMind, el modelo recibió datos de un estudio de vacuna de ARN mensajero contra la COVID-19. Distinguió linfocitos T activados de los que permanecían en reposo y predijo que una variante relacionada con casos graves alteraba más la actividad génica en el estado activado. Esa clase de diferencia podría pasar desapercibida en células no estimuladas.
La utilidad potencial consiste en formular una pregunta experimental más precisa: no solo “¿afecta esta variante a un gen?”, sino “¿en qué célula, en qué estado y bajo qué condición aparece el efecto?”. Ese cambio puede ahorrar pruebas poco informativas y ayudar a elegir los modelos celulares adecuados.
Qué puede hacer un equipo de investigación
La herramienta puede servir para ordenar variantes procedentes de estudios genéticos, explorar regiones reguladoras alejadas de los genes y generar hipótesis sobre el tipo celular que media una asociación. También puede comparar el efecto previsto entre estados sanos y alterados, o estimar señales moleculares ausentes en un experimento.
Un flujo prudente podría seguir cinco pasos:
- Definir una pregunta biológica concreta y el tipo celular relevante.
- Introducir variantes candidatas y obtener predicciones comparables.
- Priorizar resultados por coherencia biológica, no solo por una puntuación.
- Contrastar las hipótesis con literatura, bases de datos y otros métodos.
- Validar las variantes seleccionadas mediante experimentos independientes.
Esta secuencia evita confundir un filtro informático con una prueba. La predicción puede reducir la lista de candidatos, pero la evidencia sólida continúa dependiendo de la replicación, los controles y el análisis experimental.
Acceso, documentación y límites técnicos
AlphaGenome 2 está disponible para investigación no comercial mediante su API y en vista previa privada para investigación comercial. La documentación oficial recomienda usar la versión 2 para análisis nuevos y mantener la versión 1 cuando se quieran reproducir resultados anteriores o utilizar funciones todavía no trasladadas.
El sistema opera dentro de una ventana de secuencia finita. Interacciones reguladoras a distancias superiores pueden quedar fuera del contexto. Tampoco todas las poblaciones celulares están representadas con la misma calidad: los datos disponibles favorecen tejidos y condiciones mejor estudiados. Una célula rara, una etapa temprana del desarrollo o una combinación poco habitual de enfermedad y tratamiento puede ofrecer menos evidencia para la predicción.
Además, los datos de célula única contienen efectos técnicos, diferencias entre laboratorios y sesgos de muestreo. Un modelo puede aprender parte de esas regularidades sin distinguir perfectamente cuáles son biológicas. Las predicciones deben interpretarse junto con la procedencia de los datos y los protocolos experimentales.
No es una herramienta clínica ni un diagnóstico
Google DeepMind afirma expresamente que AlphaGenome y AlphaGenome 2 son herramientas de investigación y que no han sido validadas ni autorizadas para uso clínico o diagnóstico. Esta advertencia es central. Un resultado del modelo no permite determinar si una persona desarrollará una enfermedad, elegir un tratamiento ni descartar una variante.
Para trasladar una predicción a la clínica harían falta evaluaciones independientes, estudios prospectivos, comparación entre poblaciones y procesos regulatorios. También sería necesario medir el rendimiento en situaciones reales, donde las variantes, el entorno y el historial médico interactúan de manera compleja.
La misma disciplina es útil en otros ámbitos de la inteligencia artificial. Antes de adoptar una herramienta conviene establecer criterios, responsables y controles. Nuestra guía sobre cómo evaluar una automatización con indicadores prácticos ofrece un marco trasladable: definir el resultado esperado, medir errores y mantener revisión humana.
Qué hechos están demostrados y qué sigue siendo una previsión
Hechos comunicados y contrastables
- El modelo fue anunciado el 11 de noviembre de 2026.
- Se entrenó con más de 107 millones de perfiles celulares de 68 tejidos.
- En TenK10K alcanzó las comparaciones publicadas del 30 % frente al 16 % y del 43 % frente al 23 %.
- Puede condicionarse con datos de célula única y estimar distintas modalidades moleculares.
- Su uso declarado es investigador, no clínico ni diagnóstico.
Predicciones razonables, todavía no demostradas
- Que reduzca de forma general el tiempo necesario para descubrir mecanismos de enfermedad.
- Que sus resultados se mantengan en todos los tejidos, poblaciones y estados patológicos.
- Que conduzca por sí solo a nuevos medicamentos o decisiones clínicas.
- Que la imputación pueda sustituir de manera habitual experimentos costosos.
Separar ambos bloques mejora la comprensión y evita convertir una presentación científica en una promesa comercial. El caso de la enfermedad inflamatoria intestinal muestra potencial, pero cada nueva hipótesis necesitará su propia verificación.
Implicaciones para formación, empresas y profesionales
Aunque el uso directo corresponde sobre todo a equipos de genética y biología computacional, el lanzamiento ilustra una tendencia más amplia: los modelos especializados están pasando de producir una respuesta general a integrarse en flujos de trabajo medibles. El valor no reside solo en generar texto, sino en combinar una representación científica, una pregunta concreta y una salida que pueda compararse con datos experimentales.
Para profesionales que quieren comprender esta transición, es útil aprender a diseñar proyectos con objetivos y validación. El análisis de un curso orientado a crear experiencias con inteligencia artificial aborda precisamente cómo convertir una idea en una dinámica estructurada, mientras que la formación sobre apoyo de inteligencia artificial en trabajos académicos permite valorar usos responsables en investigación y documentación.
La lección no es que cualquier organización necesite un modelo genómico. Es que un sistema útil requiere datos adecuados, una función delimitada y un criterio de validación externo. Sin esos tres elementos, una predicción sofisticada puede seguir siendo una respuesta difícil de utilizar.
Cómo evaluar futuras noticias sobre inteligencia artificial y biología
Ante anuncios similares, conviene comprobar qué conjunto se utilizó para la evaluación, si existe comparación con métodos anteriores, qué parte de los resultados procede del propio desarrollador y si la herramienta ha sido probada por terceros. También hay que distinguir una reproducción retrospectiva de un descubrimiento prospectivo.
Las noticias científicas suelen resumirse en una cifra llamativa, pero el contexto decide su valor. En este caso, recuperar el 30 % de unas variantes frente al 16 % anterior es un avance medible; no es una precisión del 100 % ni una tasa de diagnóstico. Del mismo modo, predecir una señal en una célula no demuestra que esa señal cause por sí sola una enfermedad.
La prudencia no resta importancia al trabajo. Al contrario: permite reconocer el avance real. Pasar del promedio de tejidos a predicciones condicionadas por estados celulares acerca los modelos a las preguntas que hacen los biólogos en el laboratorio.
Preguntas frecuentes sobre AlphaGenome 2
¿AlphaGenome 2 analiza el genoma completo de una persona?
No como una prueba clínica integral. Trabaja con secuencias y variantes para estimar efectos reguladores dentro de su contexto y de una condición celular determinada.
¿Puede diagnosticar una enfermedad genética?
No. El desarrollador indica que es una herramienta de investigación sin validación ni autorización clínica o diagnóstica.
¿Qué aporta frente a la primera versión?
Mayor especificidad por tipo y estado celular, posibilidad de condicionarse con nuevos datos de célula única, imputación entre modalidades y predicción de metilación, además de mejoras en las evaluaciones publicadas.
¿Sustituye los experimentos de laboratorio?
No. Puede ayudar a priorizar variantes y experimentos, pero sus hipótesis deben confirmarse con datos independientes y controles adecuados.
¿Está disponible?
Sí, para investigación no comercial mediante la API. El acceso comercial se encuentra en vista previa privada, según la información publicada el 11 de noviembre de 2026.
Conclusión
AlphaGenome 2 representa un avance concreto: incorpora información de célula única para predecir cómo una variante puede actuar de forma distinta según el tipo y el estado celular. Sus resultados publicados mejoran la recuperación de variantes reguladoras y permiten formular hipótesis más específicas. También mantiene límites importantes: cobertura incompleta, dependencia de los datos, contexto genómico finito y ausencia de validación clínica.
El impacto real se medirá en los próximos años por las hipótesis nuevas que ayude a confirmar, no por la cantidad de predicciones que genere. Como ocurre con el uso de inteligencia artificial y robótica en procesos físicos, el indicador decisivo será la mejora comprobada frente al método anterior y no la novedad tecnológica por sí sola.